AI EVALUATION, IN CONTEXT.BY EQUALITY MACHINE

LLM Stats

OSWorld 2.0

OSWorld 2.0 is a benchmark of 108 long-horizon, real-world computer-use workflows spanning everyday and professional tasks. Each task is an end-to-end workflow that takes human users a median of about 1.6 hours, scored with a binary-completion metric, and targets challenges such as dynamic environments, cross-source reasoning, and implicit-state inference.

评测信息与证据

来源
LLM Stats
发布者
未收录
评测发布日期
未收录
采集日期
2026-08-17
模态
multimodal

本站保留来源报告的结果,不代表独立复测。请先核对任务版本、评测协议、分数单位和报告日期;不同运行条件不能直接合并为统一排名。

原始资料

报告成绩 5

按来源中的观察顺序展示,顺序不代表排名。日期保留原始精度。

模型数值单位协议报告日期与口径来源
Claude Opus 50.706未收录未收录2026-07-24 · model_announcementLLM Stats
GPT-5.6 Sol0.626未收录未收录2026-07-09 · model_announcementLLM Stats
GPT-5.6 Terra0.502未收录未收录2026-07-09 · model_announcementLLM Stats
Gemini 3.7 Flash0.479未收录未收录2026-08-13 · model_announcementLLM Stats
GPT-5.6 Luna0.456未收录未收录2026-07-09 · model_announcementLLM Stats